典型文献
基于结构相似深度卷积自编码的异常扣件检测模型
文献摘要：
介绍了轨道扣件系统的基本功能,概述了已有的轨道异常扣件检测技术,归纳了基于机器视觉的传统检测方法和深度学习方法所关注的问题及存在的不足;介绍了 自编码的基本思想与形式化过程,提出了一种基于编解码架构的异常扣件检测模型;分析了传统像素级图像相似度评价指标的缺陷,实现了基于结构相似的损失函数和图像异常判定;构建了轨道扣件图像数据集,验证了模型的性能;将代表性的误报与漏报图像可视化,描述了这些图像的表观特征,分析了发生漏报与误报可能的原因.研究结果表明:结构化相似指标显著提升了模型的检测性能,与具有相同网络架构但使用平均绝对误差和均方误差作为相似度评价指标的检测模型相比,模型的F值分别提升了14.5％和16.2％;与其他对比模型相比,提出的模型取得了最高的检测精确率和F值,分别达到了98.6％和98.1％,与次优的RotNet模型相比分别提升了6.0％和9.8％;召回率为97.1％,略低于深度支持向量数据描述(DSVDD)模型的98.4％;整体上看,F值比所有对比模型均高出超过9％,提出的模型表现出了明显的性能优势.
文献关键词：
轨道扣件;异常扣件检测;深度卷积自编码;无监督学习;结构化相似
中图分类号：
作者姓名：
李清勇;王建柱;祝叶舟;黄祺隆;彭文娟;王胜春;戴鹏
作者机构：
北京交通大学交通数据分析与挖掘北京市重点实验室,北京 100044;北京交通大学智慧高铁系统前沿科学中心,北京 100044;中国铁道科学研究院集团有限公司基础设施检测研究所,北京 100081
文献出处：
引用格式：
[1]李清勇;王建柱;祝叶舟;黄祺隆;彭文娟;王胜春;戴鹏-.基于结构相似深度卷积自编码的异常扣件检测模型)[J].交通运输工程学报,2022(04):186-195
A类：
异常扣件检测,RotNet,DSVDD
B类：
结构相似,深度卷积自编码,检测模型,轨道扣件,扣件系统,基本功能,机器视觉,深度学习方法,基本思想,形式化,编解码,像素级,图像相似度,相似度评价,损失函数,和图像,图像数据集,误报,漏报,表观特征,结构化相似,标显,检测性能,网络架构,平均绝对误差,均方误差,对比模型,精确率,次优,召回率,略低于,支持向量数据描述,出超,性能优势,无监督学习
AB值：
0.291702
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
